A. 모델에 대한 기능 선택을 수행하고 더 적은 수의 기능으로 매월 모델을 재교육합니다.

B. 모델에 대해 기능 선택을 수행하고 더 적은 수의 기능으로 모델을 재학습합니다.

C. 모델을 재학습하고 하이퍼파라미터 튜닝 서비스로 L2 정규화 파라미터 선택

D. 왜곡을 모니터링하기 위한 경고를 생성하고 모델을 다시 학습시킵니다.

A. 인수분해 기계(FM) 알고리즘

B. LDA(Latent Dirichlet Allocation) 알고리즘

C. 주성분 분석(PCA) 알고리즘

D. k-평균 알고리즘

E. RCF(Random Cut Forest) 알고리즘

A. 학습에 사용된 BigQuery 테이블의 이름으로 AI Platform의 각 모델 및 버전 리소스에 태그를 지정합니다.

B. BigQuery에서 쿼리를 실행하여 BigQuery 고유의 INFORMATION_SCHEMA 메타데이터 테이블을 사용하여 프로젝트의 기존 테이블 이름을 모두 검색합니다. 결과를 사용하여 필요한 테이블을 찾으십시오.

C. 테이블 설명을 테이블 ID에 매핑하는 BigQuery에서 조회 테이블을 유지 관리합니다. 조회 테이블을 쿼리하여 필요한 데이터에 대한 올바른 테이블 ID를 찾으십시오.

D. Data Catalog를 사용하여 테이블 설명의 키워드를 사용하여 BigQuery 데이터 세트를 검색합니다.

A. 비선형 커널을 사용하는 SVM(Support Vector Machine)

B. tanh 활성화 함수가 있는 단일 퍼셉트론

C. 확장 지수 선형 단위(SELU)가 있는 장단기 기억(LSTM) 모델

D. 로지스틱 회귀

A. Cloud Scheduler를 사용하여 일정 간격으로 작업을 예약합니다. 작업의 첫 번째 단계입니다. Cloud Storage 버킷에 있는 객체의 타임스탬프를 확인합니다. 마지막 실행 이후에 새 파일이 없으면 작업을 중단합니다.

B. 스토리지 버킷에서 새 파일을 사용할 수 있을 때 Pub/Sub 주제에 메시지를 보내도록 Cloud Storage 트리거를 구성합니다. Pub/Sub 트리거 Cloud Function을 사용하여 GKE 클러스터에서 학습 작업 시작

C. Cloud Storage에 파일을 저장하는 Dataflow로 파이프라인 구성 파일 저장 후 GKE 클러스터에서 학습 작업 시작

D. App Engine을 사용하여 Cloud Storage에서 새 파일을 지속적으로 폴링하는 경량 Python 클라이언트를 생성합니다. 파일이 도착하는 즉시 학습 작업을 시작합니다.